Asana、GPT-6.1 Solを用いたブラウザエージェントの最適化でコストを76倍削減
ブラウザエージェントにおける非効率性の特定とコードベースの解析
Asanaは、買収したStackAIプラットフォームを通じて、ユーザーがコードを書かずにウェブサイトの巡回やフォーム入力、情報収集を行う自動化ワークフローを提供している。しかし、大規模な運用において、エージェントの処理に伴うわずかな非効率性が累積的なボトルネックとなっていた。
StackAIのCTOであるFrank Hidalgo氏は、Codex環境上で稼働するGPT-6 Astraを活用し、エージェントのコードベースの全体像の網羅的なマッピングと、各モデルリクエスト生成プロセスの解析を実施した。その結果、固定された指示やツール定義はキャッシュされていたものの、遷移の過程で肥大化するページテキストやスクリーンショットの履歴（ヒストリー）が毎回フルプライスで再送信されているという構造的課題が判明した。従来の設計では、古いスクリーンショットの破棄やテキストのトリミングをステップごとに動的に行っていたため、履歴全体が常に変化し、単純なプレフィックスキャッシュが機能しない状態にあった。
大規模実験によるワークフローの最適化とコンテキスト管理の刷新
手動であれば1〜2ヶ月を要すると推計された研究・検証プロセスを、GPT-6 Astraの自律的な実験駆動型アプローチにより約1週間へと短縮することに成功した。Hidalgo氏は、1つのフロントエンドとバックエンドで多様なワークフローを並列処理できるようコードをリファクタリングし、以下の3つの主要な改善策を体系的にテストした：
-
ブラウジング履歴へのキャッシュ拡張
-
コンテキスト保持量の拡大（履歴バジェットの拡張）
-
スクリーンショットの破棄頻度の最適化（ステップごとではなく、累積20枚単位でのバッチ処理化）
結果として、スクリーンショットが20枚蓄積されるまで保持し、最新のものを残して一括削除するポリシーと、480,000文字の大規模な履歴バジェットを組み合わせた最適化ワークフローが最も高い性能を発揮した。GPT-6.1 Solを用いた場合、この改修によって入力トークンの89%がキャッシュヒット（非キャッシュ時の5%のコスト）となり、モデル呼び出しあたりのコストが大幅に圧縮された。
ベンチマーク結果：コスト76倍減と実行速度5倍向上の達成
Asanaが実施した144回に及ぶ厳密な比較研究（4つのフロンティアモデルを対象）において、最適化されたワークフローは驚異的なパフォーマンスを示した。
- コスト削減: 従来の本番環境モデル（Model B）の初期設定では上限到達を含むケースで1ランあたり36.21ドル以上を消費していたが、最適化されたModel Bでも1.24ドル（29倍減）となり、さらに**GPT-6.1 Solを用いた最適化ワークフローでは平均0.47ドル（最大76倍減）**を達成した。
- 処理速度: 従来セットアップでの最低22.5分を要していた実行時間が、**最適化されたGPT-6.1 Sol環境では約4分（5倍高速化）**へと短縮された。
- 正確性と信頼性: 履歴バジェットを120,000文字から480,000文字に拡張したことで、タスクを完遂して正しい答えを返す成功率が大幅に向上し、不十分なコンテキストによる早期脱落やループ現象が完全に解消された。
すべての実験データやリクエストのトレースはAsanaのソフトウェア配信プラットフォーム「Command」に記録され、シームレスにプロダクトのプルリクエストおよび本番環境へのデプロイへと繋げられた。
開発者・エンジニア視点での考察
-
動的UIエージェントにおける「履歴キャッシュ戦略」のパラダイムシフト: ブラウザエージェントのように状態が非線形に変化するシステムでは、毎ステップのトリミングやテキスト削除が原因でキャッシュのプレフィックスが無効化されやすい。スクリーンショットの破棄をバッチ化（例: 20枚ごとに一括処理）し、固定的な履歴領域を意図的に長く維持する手法は、大規模LLMのキャッシュヒット率を最大化するための極めて有効な設計パターンである。
-
AI主導型リサーチ（AI-Driven Experimentation）の実用化: 人間がコードを書き換えながらパラメータチューニングを行うのではなく、AIエージェントにコードベースの構造解析から並列実験の実行、結果の集計までを任せるワークフローは、エンジニアの役割を「実装者」から「システムアーキテクト兼PM」へとシフトさせる。開発サイクルのスピードはもはやコード記述量ではなく「人間のレビューと意思決定の帯域」に依存する段階にきている。
-
コスト制約の突破によるモデル選択の自由度の拡大: 高価なフラッグシップモデルは高度な推論能力を持つ一方で、自律型エージェントの多段階ループ（数十〜数百回のAPIコール）においてはコストが最大の障壁となる。効率的なコンテキスト管理とキャッシュの最適化を組み合わせることで、最上位の知能を持つモデルを実用的な経済圏（1ラン0.5ドル未満）に落とし込み、エンドユーザーへ高付加価値な機能を還元できる好例と言える。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。
